| Summary: | A Sindrome da Apneia Hipopneia obstrutiva do sono (SAHOS) é caracterizada por episódios repetidos de obstrução parcial (hipopneia) ou completa (apneia) das vias aéreas superiores durante o sono. Os efeitos clínicos da SAHOS estão relacionados aos efeitos cumulativos da exposição à asfixia periódica e à fragmentação do sono causada por apneias e hipopnéias, como o aumento do risco de hipertensão, disritmias noturnas, insuficiência ventricular, infarto do miocárdio e acidente vascular cerebral. O padrão ouro para o diagnóstico de SAHOS é a Polissonografia (PSG), na qual requer que o paciente permaneça durante a noite inteira no laboratorio de sono, conectado a diferentes sensores biológicos e sob a supervisão de um técnico. Além do desconforto causado pelos sensores invasivos, a necessidade de um ambiente clínico e infraestrutura altamente especializada resulta em uma longa lista de espera nos laboratórios do sono e altos custos, restringindo assim o acesso ao diagnóstico e tratamento. Para melhorar o monitoramento da evolução da OSA, o acesso ao diagnóstico e o acompanhamento do tratamento, propõe-se uma solução baseada em Mobile Health (mHealth) para utilizar os recursos do smartphone a fim de desenvolver uma estimativa não invasiva da gravidade da SAHOS. Utiliza-se o áudio gravado através de um smartphone para detectar automaticamente os eventos de ronco durante a noite e, através da análise desses eventos, estimar a necessidade do paciente para o tratamento de Pressão Positiva Contínua nas Vias Aéreas (CPAP). Para isso, dividimos nossa solução em duas fases: (i) uma solução completamente não supervisionada para detectar automaticamente os eventos de ronco em um ambiente não controlado e (ii) a análise das características acústicas dos eventos de ronco para estimativa de gravidade da SAHOS. Na primeira fase, podemos comprovar a viabilidade de gravar o áudio e detectar os eventos de ronco usando um smartphone em um ambiente suscetível a ruídos aleatórios. Na segunda fase, mostramos que um conjunto de características acústicas globais dos eventos de ronco pode prever a necessidade do paciente para o tratamento com CPAP. Nossa solução proposta foi avaliada em ambiente não controlado (domicílio do paciente) e controlado (laboratório do sono), atingindo resultados satisfatórios na detecção de eventos de ronco e classificação do paciente de acordo com a necessidade de tratamento com CPAP. === Obstructive Sleep Apnea (OSA) is characterized by repeated episodes of partial (hypopnea) or complete (apnea) obstruction of the upper airway during sleep. The clinical effects of OSA are related to the cumulative effects of exposure to periodic asphyxia and sleep fragmentation caused by apneas and hypopneas, such as an increased risk of hypertension, nocturnal dysrhythmias, ventricular failure, myocardial infarction, and stroke. The current gold standard for diagnosing OSA is the overnight Polysomnography (PSG), which requires a full-night sleep laboratory stay, attached to different biological sensors and under the supervision of a technician. Besides the discomfort caused by the invasive sensors, the necessity of a clinical setting and highly specialized infrastructure results in a long waiting list in sleep laboratories and high costs, thus restricting the access to diagnosis and treatment. To improve monitoring of OSA evolution, access to diagnosis and treatment follow up, we propose a Mobile Health (mHealth) solution to take advantage of the smartphone capabilities to deploy a non-invasive OSA severity estimation. We make use of the audio recorded through a smartphone to automatically detect snoring events throughout the night and through the analysis of such events estimate patient’s necessity for Continuous Positive Airway Pressure (CPAP) therapy. For that, we have divided our solution into two phases: (i) a completely unsupervised solution to automatically detect the snoring events in an uncontrolled environment and (ii) the analysis of acoustical features of the snoring events for OSA severity estimation. In the first phase, we can prove the viability of recording the audio and detect the snoring events using a smartphone under an environment susceptible to random noises. In the second phase, we show that a set of global acoustical features from the snoring events can predict the patient’s need for the CPAP therapy. Our proposed solution was evaluated in an uncontrolled (patient’s home) and controlled (sleep laboratory center) environment, reaching satisfactory results in snoring events detection and patient’s classification according to the need for CPAP therapy.
|
|---|
